Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarNeurohive→ original

Tencent abre agente que detecta vídeos gerados por IA com 95,2% de precisão

A Tencent abriu o WeVisForensics, um agente de IA que analisa um vídeo como uma equipe de seis especialistas: um olha pele e sombras, outro a física do movimento, outro o bom senso, outro os textos, e mais dois ouvem a voz e o ritmo da fala. Em quatro testes, ele identifica corretamente em média 95,2% dos vídeos, 9 pontos a mais que o líder anterior, o VideoVeritas. Cada veredito vem com marcações de tempo, então um moderador pode conferir a decisão quadro a quadro. Os pesos são abertos, e uma placa de vídeo de 24 GB é suficiente para rodar o agente.

Processado por IA de Neurohive; editado por Hamidun News
Tencent abre agente que detecta vídeos gerados por IA com 95,2% de precisão
Fonte: Neurohive. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalNeurohive ↗
Editor-chefe
Dado-chave #1No novo teste AgenticCue (Sora 2, Veo 3.1, Kling 3.0), a precisão é de 97–98,8%
Dado-chave #2O treinamento conjunto chegou a 95,2%, contra 93,2% de um único agente treinado
Dado-chave #3No MintVid, ele detecta 64,6% das falsificações do Sora 2 e 67% das do Jimeng

Os vídeos gerados por IA ficaram tão fluidos que cada vez menos gente consegue distingui-los a olho nu, enquanto plataformas e redações precisam decidir rápido qual vídeo pode ir para o feed. Pesquisadores do WeChat Vision (Tencent) e da Nanjing University lançaram o WeVisForensics, um agente de IA aberto baseado no modelo Qwen3.5-4B, que analisa vídeos como uma equipe de seis especialistas.

Em quatro conjuntos de teste (benchmarks), ele identifica corretamente em média 95,2% dos vídeos, 9 pontos percentuais a mais que o líder anterior, o VideoVeritas. Imagine que um moderador receba um vídeo de um gato ao volante, com uma placa torta ao fundo: o agente indica os segundos em que as letras se embolam e explica por que a cena não é realista. Vale a atenção de quem constrói sistemas de moderação ou verificação de conteúdo: código e pesos são abertos, e tudo roda em uma única placa de vídeo de 24 GB.

Como funciona a equipe de especialistas

Imagine um editor que recebe um vídeo suspeito e o distribui entre os colegas. Um examina pele, cabelo, dedos, dentes, luz e sombras. O segundo acompanha a física: como os corpos se movem, como o líquido escorre, o que acontece quando um objeto passa atrás de um obstáculo. O terceiro avalia o bom senso, por exemplo um gato que segura o volante como uma pessoa. O quarto lê os textos. Outras duas ferramentas ouvem a voz e o ritmo da fala.

É assim que o sistema funciona. O agente principal começa com uma olhada rápida em até 16 quadros espaçados de modo uniforme ao longo do vídeo e sabe a duração do clipe e se há áudio. Depois, passo a passo, decide qual especialista chamar, qual trecho mostrar a ele e quando já tem dados suficientes para o veredito. São no máximo quatro chamadas, e o mesmo especialista não pode ser chamado duas vezes.

Os quatro especialistas visuais rodam no mesmo Qwen3.5-4B, mas cada um com seus próprios adaptadores LoRA (pequenas camadas adicionais de ajuste fino). Os textos são localizados pelo PaddleOCR, e o especialista examina os trechos ampliados em busca de letras coladas ou quebradas. Duas ferramentas de áudio, sem treinamento, estimam o sexo e a idade de quem fala e procuram um ritmo de fala artificialmente uniforme. Os especialistas respondem com um veredito (há artefato, não há ou não é possível determinar), um nível de confiança e uma explicação com referências a segundos do vídeo, o que permite rechecar a decisão quadro a quadro. Desfoque de movimento, compressão e estilização não são tratados por eles como sinais de geração por IA.

O que muda no treinamento

Os detectores agênticos anteriores, como o ARGUS, treinavam apenas o agente principal, e os especialistas permaneciam congelados. Se o especialista não enxerga o artefato, nenhum roteamento resolve. Atualizar os dois lados a cada passo também não funciona bem: o agente principal decide o que os especialistas vão ver, e as respostas deles alteram as decisões dele, de modo que cada um vira um alvo móvel para o outro.

Os autores separaram os ritmos de treinamento e chamaram o método de DTPO (Dual-Timescale Policy Optimization). O agente principal é atualizado a cada batch via GRPO, com recompensa por um veredito correto sem violações de protocolo. Os especialistas passam por ajuste fino a cada 20 passos, com base nas chamadas acumuladas.

O professor, uma cópia do especialista atualizada lentamente, vê os quadros, o rótulo e os intervalos de artefatos, enquanto o aluno vê apenas os quadros e se aproxima das respostas do professor. Além disso, um LLM congelado analisa os erros dos especialistas e sugere regras como «não considerar defeito o cabelo borrado por movimento rápido». Uma regra só é aceita se o número de vereditos corretos aumentar e nenhum veredito que antes estava certo for quebrado.

O treinamento completo leva cerca de um dia.

A contribuição de cada parte aparece na comparação entre as variantes. Treinando só os especialistas, a precisão média sobe de 91,3% para 92,0%; só o agente, para 93,2%; os dois, para 95,2%. No especialista em física, o F1 no GenBuster-Bench subiu de 66,5% para 97,8%, e a fatia de respostas «não é possível determinar» caiu de 26,9% para 0,3%. Se os especialistas forem atualizados a cada batch, e não a cada 20 passos, a precisão cai nos seis geradores do MintVid.

Números, limitações e o que fazer com isso

No GenBuster-Bench, o agente marca 97,7%, contra 94,3% do VideoVeritas; no GenBuster-Bench++, 97,5% contra 91,4%; nos seis geradores do MintVid, 88,0% contra 82,2%. Os detectores binários NSG-VD e ReStraV, treinados com os mesmos dados, ficaram no nível do acaso: 46,4% e 51,9% no GenBuster-Bench. O Gemini-3.1-Pro encontra 99% das falsificações no GenBuster-Bench++, mas também reprova vídeos reais, e por isso sua precisão fica em 54,3%.

No novo benchmark AgenticCue, com vídeos do Sora 2, Veo 3.1 e Kling 3.0, o agente obtém 97–98,8% em todas as cinco categorias de artefatos, enquanto o VideoVeritas faz apenas 69,3% em áudio. Quando o agente chama o especialista em física, texto, bom senso ou áudio, o artefato desse tipo realmente existe no vídeo em 94,3–99,7% dos casos. Em uma comparação às cegas, avaliadores humanos analisaram 200 pares de respostas dos especialistas originais e dos treinados: os treinados foram melhores em 65 pares, os originais em 20, e a fatia de respostas com erros caiu de 30,5% para 8,0%.

Há também pontos fracos. Em geradores comerciais desconhecidos, o agente é cauteloso: ele reconhece como reais todos os vídeos reais do MintVid, mas encontra apenas 64,6% das falsificações do Sora 2 e 67,0% das do Jimeng. As ferramentas de áudio não passam por ajuste fino porque há poucos dados de áudio rotulados. Os autores alertam que o modelo foi feito para pesquisa e não deve tomar sozinho decisões importantes sobre pessoas.

O código de inferência, o demo e os adaptadores LoRA foram publicados sob Apache 2.0. O dataset ForenCue-30K e o código de treinamento não foram publicados, e o AgenticCue deve ser liberado mais tarde, então por enquanto não é possível reproduzir o treinamento. Já dá para pegar o modelo e integrá-lo a um pipeline de verificação de conteúdo. O mais sensato é usar o agente como filtro primário, com checagem manual, principalmente para vídeos de geradores novos, em que a precisão é visivelmente menor.

História

Perguntas frequentes sobre a notícia

Como funciona a equipe de especialistas?

Imagine um editor que recebe um vídeo suspeito e o distribui entre os colegas. Um examina pele, cabelo, dedos, dentes, luz e sombras. O segundo acompanha a física: como os corpos se movem, como o líquido escorre, o que acontece quando um objeto passa atrás de um obstáculo. O terceiro avalia o bom senso, por exemplo um gato que segura o volante como uma pessoa. O quarto lê os textos. Outras duas ferramentas ouvem a voz e o ritmo da fala. É assim que o sistema funciona.

O que muda no treinamento?

Os detectores agênticos anteriores, como o ARGUS, treinavam apenas o agente principal, e os especialistas permaneciam congelados. Se o especialista não enxerga o artefato, nenhum roteamento resolve. Atualizar os dois lados a cada passo também não funciona bem: o agente principal decide o que os especialistas vão ver, e as respostas deles alteram as decisões dele, de modo que cada um vira um alvo móvel para o outro.

O que se sabe sobre Números, limitações e o que fazer com isso?

No GenBuster-Bench, o agente marca 97,7%, contra 94,3% do VideoVeritas; no GenBuster-Bench++, 97,5% contra 91,4%; nos seis geradores do MintVid, 88,0% contra 82,2%. Os detectores binários NSG-VD e ReStraV, treinados com os mesmos dados, ficaram no nível do acaso: 46,4% e 51,9% no GenBuster-Bench. O Gemini-3.1-Pro encontra 99% das falsificações no GenBuster-Bench++, mas também reprova vídeos reais, e por isso sua precisão fica em 54,3%.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…